論文の概要: Generated Images Are Easier to Forget: A Machine Unlearning Perspective for Synthetic Image Detection
- arxiv url: http://arxiv.org/abs/2608.00716v1
- Date: Sat, 01 Aug 2026 15:33:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.875386
- Title: Generated Images Are Easier to Forget: A Machine Unlearning Perspective for Synthetic Image Detection
- Title（参考訳）: 合成画像検出のための機械学習の視点
- Abstract要約: Webスケールデータセットに事前トレーニングされた大規模ビジョンモデル(LVM)は、例外的な一般化能力を示している。
1)データアクセスなしで未学習を誘発するデータフリー検出法,2)LVMを生成画像に関連付けられた未学習の知識に最適化するデータ駆動検出法,である。
- 参考スコア（独自算出の注目度）: 107.62647907393377
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robust detection of generated images is critical to counter the misuse of generative models. Existing methods primarily depend on learning from human-annotated training datasets, limiting their generalization to unseen distributions. In contrast, large-scale vision models (LVMs) pre-trained on web-scale datasets exhibit exceptional generalization power through exposure to diverse distributions, offering a transformative paradigm for this task. However, our experimental results reveal that LVMs pre-trained on natural-image-dominated data can effectively capture the features of both natural and generated images, yielding comparably low losses and thus limited discriminative capacity between them. This prompts a key question: When and how do LVMs exhibit different behaviors when capturing features of natural and generated images? This investigation reveals an insight: during unlearning, LVMs exhibit disparate forgetting dynamics with feature degradation for generated images escalating faster than natural ones. Inspired by the disparate dynamics, we introduce two detection methods: 1) data-free detection, which prunes model parameters to induce unlearning without data access, and 2) data-driven detection, which optimizes LVMs to unlearn knowledge tied to generated images. Extensive experiments conducted on various benchmarks demonstrate that our unlearning-based approach outperforms conventional detection methods. By recasting the detection task as a problem of machine unlearning, our work establishes a new paradigm for generated image detection.
- Abstract（参考訳）: 生成した画像のロバスト検出は、生成モデルの誤用に対処するために重要である。
既存の手法は主に、人間の注釈付きトレーニングデータセットからの学習に依存し、一般化を目に見えない分布に制限する。
対照的に、Webスケールデータセットで事前訓練された大規模ビジョンモデル(LVM)は、多様な分布に曝露することで、例外的な一般化能力を示し、このタスクの変換パラダイムを提供する。
しかし,本実験の結果から,自然画像と生成画像の特徴を効果的に把握し,両者の識別能力に限界が生じることが明らかとなった。
LVMは、自然と生成された画像の特徴をキャプチャするときに、いつ、どのように異なる振る舞いを示すのか?
この調査は、未学習の間、LVMは自然画像よりも高速にエスカレートする生成画像の特徴劣化を伴う、異なる忘れるダイナミクスを示します。
異なるダイナミクスに触発されて、我々は2つの検出方法を紹介した。
1)データアクセス無しで未学習を誘発するモデルパラメータを暗示するデータフリー検出。
LVMを最適化して生成した画像に関連付けられた知識を学習するデータ駆動検出。
様々なベンチマークで行った大規模な実験は、我々の未学習アプローチが従来の検出方法より優れていることを示した。
本研究は,機械学習の課題として検出タスクを再キャストすることにより,生成した画像を検出するための新たなパラダイムを確立する。
関連論文リスト
- Intermediate Representations are Strong AI-Generated Image Detectors [51.7378156094049]
中間層にデータ感度を埋め込んでAI生成画像を検出する検索手法を提案する。
提案手法は, 実画像とAI生成画像の集合を考慮し, 原画像の埋め込みと摂動画像の埋め込みの類似性を調べ, 類似性に基づいてAI生成画像を検出する。
本手法は,Forensics Smallベンチマークにおいて,AUROCスコアの最良のトレーニングベース手法と比較して39.61%向上し,5.14%向上した。
論文 参考訳（メタデータ） (2026-05-05T23:26:02Z) - Combating Pattern and Content Bias: Adversarial Feature Learning for Generalized AI-Generated Image Detection [44.91910921880288]
高品質な偽画像を作成するための多次元逆特徴学習フレームワークを提案する。
生成パターンとコンテンツバイアスを抑えることにより、MAFLは、異なる生成モデル間で共有される生成機能に焦点を合わせるようにモデルをガイドする。
提案手法は,従来の最先端手法を10.89%,平均精度8.57%で上回っている。
論文 参考訳（メタデータ） (2026-04-14T06:41:39Z) - Detecting AI-Generated Images via Distributional Deviations from Real Images [6.615773227400183]
ファインチューニング中に生成モデル固有のパターンを含むテクスチャ領域をマスクするテクスチャ・アウェア・マスキング(TAM)機構を導入する。
我々の手法は最小限の画像しか調整されず、既存の手法よりも大幅に優れており、2つのデータセットの平均精度は98.2%と94.6%に達する。
論文 参考訳（メタデータ） (2026-01-07T05:00:13Z) - Detecting Generated Images by Fitting Natural Image Distributions [75.31113784234877]
本稿では,自然画像と生成画像のデータ多様体間の幾何学的差異を利用した新しいフレームワークを提案する。
自然画像に対して一貫した出力を出力するために設計された関数対を用いるが、生成した関数に対しては発散出力を用いる。
データ多様体に沿った変換が、自然画像上で事前訓練された自己教師付きモデルの損失値に有意な変化をもたらす場合、画像は生成されたものとして識別される。
論文 参考訳（メタデータ） (2025-11-03T07:20:38Z) - Epistemic Uncertainty for Generated Image Detection [107.62647907393377]
本稿では,創成モデルの時代において重要なセキュリティ問題に対処することを目的とした,てんかん不確実性によるAI生成画像検出のための新しいフレームワークを提案する。
我々の重要な洞察は、トレーニングとテストデータの分布の相違が、機械学習モデルのエピステマティック不確実性空間に顕著に現れていることに起因している。
論文 参考訳（メタデータ） (2024-12-08T11:32:25Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳（メタデータ） (2024-11-28T13:04:45Z) - Time Step Generating: A Universal Synthesized Deepfake Image Detector [0.4488895231267077]
汎用合成画像検出器 Time Step Generating (TSG) を提案する。
TSGは、事前訓練されたモデルの再構築能力、特定のデータセット、サンプリングアルゴリズムに依存していない。
我々は,提案したTSGを大規模GenImageベンチマークで検証し,精度と一般化性の両方において大幅な改善を実現した。
論文 参考訳（メタデータ） (2024-11-17T09:39:50Z) - RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。
RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
論文 参考訳（メタデータ） (2024-05-30T14:49:54Z) - Active Generation for Image Classification [45.93535669217115]
本稿では,モデルのニーズと特徴に着目し,画像生成の効率性に対処することを提案する。
能動学習の中心的傾向として,ActGenという手法が,画像生成のトレーニング・アウェア・アプローチを取り入れている。
論文 参考訳（メタデータ） (2024-03-11T08:45:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。